Axis Robotics rende Open-Source uno dei più Grandi Dataset di Simulazione per Braccio Franka per Physical AI

Axis Robotics ha rilasciato Axis Sim Dataset V1, uno dei più grandi dataset di simulazione open-source per la manipolazione del braccio Franka, con l'intero dataset, il codice di addestramento e i benchmark disponibili pubblicamente. V1 è costruito su oltre 50.000 traiettorie di simulazione teleoperate dall'uomo attraverso 207 compiti di manipolazione e oltre 60.000 varianti di scena su un braccio Franka Research 3 simulato.

Questo dataset ha attirato oltre 160.000 download, rendendolo il dataset di simulazione Franka open-source più scaricato su Hugging Face. Nei benchmark, il pre-addestramento continuo su V1 ha migliorato π0.5 e superato una baseline RoboCasa abbinata per volume, con ogni risultato aperto e verificabile.

Axis Robotics sta costruendo il motore di dati composti definitivo per Physical AI, un sistema verticalmente integrato che spazia dalla simulazione su larga scala, alla cattura egocentrica del mondo reale, alla loco-manipolazione umanoida e al post-addestramento DAgger a gate umano. L'azienda ha raccolto 12 milioni di dollari in finanziamento seed guidato da Hack VC, con la partecipazione di Nomad Capital, Pi Network Ventures, 10K Ventures e investitori angel.

Una Scommessa Contro "Solo Dati Puliti"

Un'assunzione comune nella robotica è che le dimostrazioni debbano essere quasi ottimali fin dall'inizio: filtrare fino alle traiettorie degli esperti, standardizzare l'allestimento e scartare qualsiasi cosa rumorosa prima che sia sicuro imitarla. La tesi di Axis va nella direzione opposta: la qualità dei dati risiede a livello di distribuzione, non nella singola traiettoria. Quando una folla grande e abbastanza diversificata produce traiettorie rumorose e subottimali e i loro errori sono non correlati, il rumore si media e una politica funzionante sopravvive durante l'addestramento.

Axis Sim Dataset V1 mette alla prova questa tesi pubblicamente. Le sue traiettorie spaziano tra pick-and-place, impilamento, versamento, manipolazione di oggetti articolati e uso di utensili, tutte raccolte attraverso la piattaforma di teleoperazione basata sul browser di Axis, Axis Hub, da una folla distribuita piuttosto che da un singolo team di esperti. Il dataset è stato costruito con ricercatori di UC Berkeley, Johns Hopkins, University of Michigan e altre istituzioni.

Risultati che Scalano

Su LIBERO-Plus, il pre-addestramento continuo su V1 solleva π0.5 dall'83,9% all'88,8% di successo e supera una baseline RoboCasa365 abbinata per volume del 37,3%. Le prestazioni migliorano costantemente man mano che i dati di pre-addestramento scalano dal 25% al 100% del dataset, senza segni di saturazione, prova che i guadagni derivano dalla diversità e dalla copertura piuttosto che da un aumento occasionale. I miglioramenti più grandi appaiono sotto perturbazioni di camera, rumore dei sensori e layout, gli assi esatti che Axis randomizza durante la generazione.

Il team dice che V2 è già in corso, scalando a 1,2 milioni di traiettorie attraverso 1.200 compiti, con generalizzazione cross-embodiment e risultati attraverso più modelli VLA che mostrano come i dati di simulazione subottimali addestrino politiche robuste.

Il Motore Dietro il Dataset

Il dataset è un output di un motore di dati più grande, attivamente compostante. Dove un fornitore di dati tradizionale raccoglie fino a una specifica fissa e si ferma, Axis utilizza le prestazioni del modello e i casi di fallimento per determinare cosa dovrebbe essere raccolto per prossimo, quindi ogni round di addestramento informa il successivo. Quel motore gira su una strategia ibrida attraverso quattro linee di dati, e tutte e quattro ora girano su scala:

• Simulazione: oltre 200.000 contributori distribuiti su Axis Hub, una dApp top-3 su Base, che producono oltre 4,7M di traiettorie attraverso 13 embodiment.
• Egocentrico: una rete gestita di oltre 1.000 raccoglitori a tempo pieno, addestrati al QC, che catturano attività in prima persona in case e aziende reali attraverso 14 industrie: oltre 200.000 ore già registrate e in crescita di oltre 4.000 ore ogni giorno, con pose delle mani verificate da Vicon.
• Loco-manipolazione: oltre 500 ore che combinano mobilità e destrezza su umanoidi reali (Unitree G1, Booster T2) attraverso teleoperazione agnostica all'hardware.
• Post-addestramento DAgger a gate umano: oltre 500 ore di correzione umano-in-the-loop mirate ai casi limite di deployment.

Ogni compito e traiettoria viene registrata on-chain su Base per la provenienza, e i contributori vengono ricompensati per la qualità del lavoro verificata.

Dai Dati Aperti al Deployment Commerciale

Oltre a rendere open-source i dati di simulazione, Axis lavora direttamente con aziende di embodiment robotico per costruire pipeline di dati personalizzate e specifici per l'embodiment e priors di modello.

Come primo partner sim-data di Booster Robotics, Axis ha ricostruito lo spazio di lavoro reale di Booster come un gemello digitale allineato ai compiti, ha fatto raccogliere ai contributori distribuiti oltre 42.000 episodi di simulazione su di esso e li ha distillati in un prior di modello specifico per Booster. Con soli 30 demo di robot reali, quel prior ha raggiunto l'87,5% di successo contro il 37,5% di un π0.5 out-of-the-box, uguagliando π0.5 usando metà delle dimostrazioni del mondo reale.

Altri partner spaziano tra aziende di embodiment (Feagine Robotics), aziende di modello (Manycore Tech, Dexmal) e automazione industriale (Lotus Cars, Geely Auto). Axis fornisce anche reti robotiche on-chain: BitRobot su Solana e OpenRoboto su Bittensor.

Ridefinire la Base dei Dati di Physical AI

"Il futuro di Physical AI non è un dataset statico che scarichi una volta", ha detto Chris Feng, fondatore di Axis Robotics. "È un motore che continua a produrre i dati di cui il modello ha bisogno per prossimo. La scala ti dà una copertura ampia. La diversità mantiene il rumore non distorto. Il ciclo chiuso trasforma ogni fallimento in progresso. È questo che compounding.".

Axis è stata fondata da ricercatori di UC Berkeley, CMU, Georgia Tech e SJTU, insieme a fondatori seriali che hanno scalato piattaforme consumer a oltre 30 milioni di utenti. La sua ricerca è consigliata da Jiachen Li, Professore Assistente alla Georgia Tech.

Link del Paper: https://arxiv.org/abs/2607.21588

Pagina del Progetto: https://axisaiorg.github.io/AXIS-V1/

Link del Dataset: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

Codicebase Github: https://github.com/AxisAIOrg/Axis-V1-Training